論文の概要: Signal identification without signal formulation
- arxiv url: http://arxiv.org/abs/2304.06522v1
- Date: Thu, 13 Apr 2023 13:18:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2023-04-14 14:26:58.885196
- Title: Signal identification without signal formulation
- Title（参考訳）: 信号定式化のない信号識別
- Authors: Yoh-ichi Mototake and Y-h. Taguchi
- Abstract要約: 我々は,物理データの信号検出という統計学者の考え方を,信号のモデル化なしに小型サンプルと高次元で適用する。
ノイズであれ信号であれ、自然界のほとんどのデータは、力学系によって生成されると仮定される。
本稿では,動的システムの相関長とサンプル数について,ノイズ変数の実用的定義に不可欠であることを示す。
- 参考スコア（独自算出の注目度）: 3.1981440103815717
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: When there are signals and noises, physicists try to identify signals by
modeling them, whereas statisticians oppositely try to model noise to identify
signals. In this study, we applied the statisticians' concept of signal
detection of physics data with small-size samples and high dimensions without
modeling the signals. Most of the data in nature, whether noises or signals,
are assumed to be generated by dynamical systems; thus, there is essentially no
distinction between these generating processes. We propose that the correlation
length of a dynamical system and the number of samples are crucial for the
practical definition of noise variables among the signal variables generated by
such a system. Since variables with short-term correlations reach normal
distributions faster as the number of samples decreases, they are regarded to
be ``noise-like'' variables, whereas variables with opposite properties are
``signal-like'' variables. Normality tests are not effective for data of
small-size samples with high dimensions. Therefore, we modeled noises on the
basis of the property of a noise variable, that is, the uniformity of the
histogram of the probability that a variable is a noise. We devised a method of
detecting signal variables from the structural change of the histogram
according to the decrease in the number of samples. We applied our method to
the data generated by globally coupled map, which can produce time series data
with different correlation lengths, and also applied to gene expression data,
which are typical static data of small-size samples with high dimensions, and
we successfully detected signal variables from them. Moreover, we verified the
assumption that the gene expression data also potentially have a dynamical
system as their generation model, and found that the assumption is compatible
with the results of signal extraction.
- Abstract（参考訳）: 信号とノイズがある場合、物理学者はそれらをモデル化して信号を見つけようとするが、統計学者は信号を特定するためにノイズをモデル化しようとする。
本研究では,物理データの信号検出に関する統計学者の考え方を,信号のモデル化なしに小型サンプルと高次元で適用した。
ノイズであれ信号であれ、自然界のほとんどのデータは力学系によって生成されると仮定されるため、これらの生成過程は本質的に区別されない。
このようなシステムによって生成された信号変数間のノイズ変数の実用的な定義には,力学系の相関長とサンプル数が非常に重要である。
短期相関を持つ変数はサンプル数が減少するにつれて正規分布に早く到達するため、これらの変数は ``noise-like' 変数と見なされるが、反対の性質を持つ変数は ``signal-like' 変数である。
高次元の小型サンプルのデータには正規性試験は有効ではない。
そこで,ノイズ変数の特性,すなわち,変数が雑音である確率のヒストグラムの均一性に基づいて,雑音をモデル化した。
サンプル数の減少に応じてヒストグラムの構造変化から信号変数を検出する手法を考案した。
本手法は,相関長の異なる時系列データを生成するグローバル結合マップによって生成されたデータに適用し,高次元の小型試料の典型的な静的データである遺伝子発現データに適用し,信号変数の検出に成功した。
さらに,遺伝子発現データが生成モデルとして動的システムを持つ可能性があるという仮定を検証し,信号抽出の結果と互換性があることを見出した。
関連論文リスト
- Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - Spatial Reasoning with Denoising Models [49.83744014336816]
本稿では,連続変数の集合に対する推論を行うためのフレームワークを提案する。
初めて、その生成順序をデノナイジングネットワーク自体によって予測できる。
これらの結果から,特定の推論タスクの精度を1%から50%に向上させることができる。
論文 参考訳（メタデータ） (2025-02-28T14:08:30Z) - Modeling High-Dimensional Dependent Data in the Presence of Many Explanatory Variables and Weak Signals [0.0]
本稿では,多数の説明変数が利用可能であり,信号対雑音比が低い場合に,高次元依存データをモデル化する手法について考察する。
論文 参考訳（メタデータ） (2024-12-06T02:54:31Z) - SIGMA: Single Interpolated Generative Model for Anomalies [0.0]
我々は、背景分布を推定する新しい、完全にデータ駆動で、計算効率のよいSIGMAを提案する。
信号領域の背景モデルを得るために、すべてのデータに対して単一の生成モデルをトレーニングし、そのパラメータをサイドバンド領域に補間する。
論文 参考訳（メタデータ） (2024-10-27T18:00:00Z) - Robust semi-parametric signal detection in particle physics with classifiers decorrelated via optimal transport [0.20971479389679337]
粒子物理学において、教師付き分類器は、既知の標準模型物理学から信号モデルを分離するために用いられる。
しかし、背景モデルの誤差は、信号検出手順に悪影響を及ぼす可能性がある。
本稿では,予備的な信号強調処理のみを行うために,分類器の使用方法を示す。
次に、実際の実験データのみを用いて、信号量の多いサンプルに対してバンプハントを行う。
論文 参考訳（メタデータ） (2024-09-10T10:32:21Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Signal-Plus-Noise Decomposition of Nonlinear Spiked Random Matrix Models [28.005935031887038]
本研究では,非線形関数を次数1の雑音行列に応用した非線形スパイクランダム行列モデルについて検討する。
我々は,このモデルに対して信号+雑音分解を行い,信号成分の構造の正確な位相遷移を信号強度の臨界しきい値で同定する。
論文 参考訳（メタデータ） (2024-05-28T15:24:35Z) - Joint Signal Detection and Automatic Modulation Classification via Deep Learning [34.580846369146435]
本稿では,現実的かつ複雑なシナリオを考慮した共同信号検出と自動変調分類(AMC)について検討する。
このような複数信号共存環境に対する検出・分類(JDM)のための共同フレームワークを提案する。
私たちのコードとデータセットはオープンソースとして利用可能です。
論文 参考訳（メタデータ） (2024-04-29T15:40:19Z) - Boosting Fast and High-Quality Speech Synthesis with Linear Diffusion [85.54515118077825]
本稿では, 常微分方程式に基づく線形拡散モデル(LinDiff)を提案する。
計算複雑性を低減するため、LinDiffでは、入力信号を小さなパッチに分割するパッチベースの処理アプローチを採用している。
我々のモデルは、より高速な合成速度で自己回帰モデルに匹敵する品質の音声を合成することができる。
論文 参考訳（メタデータ） (2023-06-09T07:02:43Z) - Detecting Signs of Model Change with Continuous Model Selection Based on
Descriptive Dimensionality [21.86268650362205]
データストリームの背後にあるモデルの変更を検出するという問題に対処する。
データストリームにおけるDdimの上昇を追跡することによって,モデル変化の兆候を検出する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-02-23T16:10:06Z) - Large Graph Signal Denoising with Application to Differential Privacy [2.867517731896504]
本稿では,データ駆動型ウェーブレット・タイト・フレーム手法を用いて,グラフ上の信号のデノイングを行う場合について考察する。
我々はChebyshev-Jackson近似を用いて、大きなグラフにスケーラブルにする。
実データとシミュレーションデータから,様々な大きさのグラフに対して総合的な性能解析を行う。
論文 参考訳（メタデータ） (2022-09-05T16:32:54Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳（メタデータ） (2022-03-29T04:54:06Z) - Data-driven detector signal characterization with constrained bottleneck
autoencoders [0.0]
制約付きボトルネックオートエンコーダという形でのディープラーニングは、データから直接、基盤となる未知の検出器応答モデルを学ぶために使用することができる。
トレーニングされたアルゴリズムは、モデルの物理パラメータを推定し、高い忠実度で検出器応答をシミュレートし、検出器信号をデノネーズするために同時に使用することができる。
論文 参考訳（メタデータ） (2022-03-09T09:46:10Z) - MURAL: An Unsupervised Random Forest-Based Embedding for Electronic
Health Record Data [59.26381272149325]
異なる変数型でデータを表現するための教師なしランダムフォレストを提案する。
muraL forestsは、ノード分割変数がランダムに選択される一連の決定ツリーで構成されている。
提案手法を用いることで,競合するアプローチよりも正確なデータの視覚化と分類が可能であることを示す。
論文 参考訳（メタデータ） (2021-11-19T22:02:21Z) - Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
入射神経表現は、一般的な信号を表す新しい道である。
現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。
メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
論文 参考訳（メタデータ） (2021-10-27T18:02:53Z) - Discriminative Singular Spectrum Classifier with Applications on
Bioacoustic Signal Recognition [67.4171845020675]
分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。
タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。
提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
論文 参考訳（メタデータ） (2021-03-18T11:01:21Z) - Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics
and Extract Noise Probability Distributions from Data [4.996878640124385]
SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。
自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。
本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
論文 参考訳（メタデータ） (2020-09-12T23:52:25Z) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳（メタデータ） (2020-06-22T16:43:35Z) - Weak Detection in the Spiked Wigner Model with General Rank [13.45821655503426]
我々は,信号+雑音型行列モデルから信号を検出する統計的決定過程を付加的なウィグナー雑音で検討する。
本稿では,信号の分布や雑音に依存しないデータ行列の線形スペクトル統計に基づく仮説テストを提案する。
論文 参考訳（メタデータ） (2020-01-16T06:40:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。